基于小型深度学习网络的车位检测方法

针对车载嵌入式系统开发需求,文章提出一种小型深度学习网络的车位检测方法。环视图像的车位角点具有大小相近、分布均匀的特点,将整个环视图像分割成若干个子图像,裁剪深度网络模型结构,使用小网络对各个子图像进行车位角点检测,可以有效降低大图像高算力的要求。实验数据表明,以384*640图像大小为例,将原图像分割成128*128子图像,子图像的深度网络算力要求为原图像的1/15,而相应的检测性能没有损失。     

基于深度学习的车辆目标检测算法综述

车辆目标检测是自动驾驶环境感知的重要组成部分。近年来随着深度学习在目标识别领域取得重大突破,基于深度学习的车辆目标检测算法逐渐成为该领域的研究热点。论文对当前主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法进行简要介绍,分析了其中几种具有代表性的卷积神经网络算法的优缺点,最后总结目前车辆目标检测存在的问题以及未来的发展方向。     

基于深度学习的多角度车辆动态检测方法

针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升.     

基于改进深度卷积神经网络的车辆检测方法研究

基于视觉的车辆检测作为辅助驾驶系统的输入,对智能车辆预警和决策起着重要的作用。针对目前传统深度卷积神经网络在基础网络设计和物体检测网络构建的不足,提出一种对经典的深度残差网络进行改进方法,提出带局部连接的残差单元,并以此构建带局部连接的残差网络;同时,提出基于共享参数的多分支网络和双金字塔语义传递网络形式,提升不同语义级别特征融合前的语义级别,以及实现深度融合不同分辨率特征图的语义。经过测试,车辆的检测准确率最高达到95.3%,且具备较高的实时性和环境适应性。     

一种基于深度神经网络的停车位检测算法开发

基于车载环视摄像头的自动泊车辅助系统,使用了4个高清鱼眼摄像头,分别安装在整车的左/右外后视镜下方、前/后牌照框上方,该系统基于深度学习图像处理算法可以实现不同类型、不同颜色的地面划线停车位可靠识别和高精度定位,这种基于深度神经网络的停车位检测算法在算法主干网络中创新地引入了残差模块和注意力机制模块,大幅提升了划线停车...     

基于深度学习的公路路面病害智能化检测系统

公路交通对国家政治、经济发展有着重大的作用。随着公路的快速发展,公路安全问题也应得到更多关注和维护。传统的公路路面病害人工检测法效率低下且准确率低,因此,提出了基于深度学习的公路路面病害智能化检测系统。首先,在异常检测阶段,构建卷积编码器从大量公路路面图像中提取出病害图。其次,在异常提取阶段,利用阈值分割法提取公路路面病害特征。最后,在公路路面病害分类阶段,利用ResNet结构训练模型来确定公路路面病害所属的分类。结果表明,该方法一次模型训练约3 min,且分类准确率在90%以上。     

基于深度学习的动车组运行安全图像异物检测

动车组在运行过程中容易附着塑料袋等异物,影响动车组的运行安全.针对动车组运行安全图像异物自动检测的问题,研究基于卷积神经网络的动车组异物检测与分割模型,该模型采用特征金字塔网络提取异物的多尺度融合特征,通过区域提议网络生成未知类别的候选区域,通过预测网络对候选区域进行分类和位置回归,并通过分割网络生成预测区域的蒙版.针对异物形态变化多样,采用可变形卷积改变感受野适应异物形态的变化.针对异物检测任务中异物数量远小于背景零部件的数量,采用在线困难样本挖掘筛选出困难样本重新输入预测网络以平衡正负样本的比例.实验分析表明,通过优化方法使得最终模型检测精度达到了90.35%,提升了4.03%;召回率达到94.85%,提升了8.1%.     

基于倾向流和深度学习的机场运动目标检测

针对当前基于视频图像的场面监视目标检测方法存在定位误差较大,识别准确率低等问题,建立一种结合目标运动信息的机场场面运动目标检测方法:利用倾向流法提取出运动目标在图像中的候选区域,对候选区域执行点池化操作以确定区域建议的边界,采用Inception结构构建一个浅层卷积神经网络,并使用该网络对区域建议中的航空器、车辆和人员进行识别.结合国内机场的监视视频,构建了一个包含4 938张图片的机场目标数据集,用于算法的训练和测试.结果 表明,运动目标提取的准确率达到94%以上,运动目标识别的Top-1准确率达到了97.23%,运动目标平均准确率达到86.23%.与3种深度学习目标检测算法相比,运动目标检测精度平均提升了39%.     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。     

基于环视系统的停车位检测与跟踪算法

为提供准确有效的停车位位置信息,提出一种基于车位导轨线跟踪和车位角特征的检测方法.首先,从直线段检测(LSD)算法检测的线段中提取车位导轨线,通过导轨线跟踪算法增强环境适应性,确定车位角的待检测感兴趣区域.其次,训练了单个基于方向梯度直方图(HOG)特征的支持向量机(SVM)分类器进行"T"型和"L"型车位角检测,使用...     

基于深度学习与圆检测的实时双目测距算法研究

针对基于学习的双目测距算法实时性不足的问题,在Loop-Net的基础上进行改进,提出一种新的双目测距模型。以编码-解码为框架,使用卷积神经网络构建模型,使用U-Net提取特征得到1/4特征图后通过3D卷积层融合特征信息提取左、右目视差特征,并加入扩张卷积层以充分提取特征。设计损失函数时充分考虑不同输入对应的不同噪声参数,并设计了基于圆检测的物体定位算法对目标物体进行定位。试验结果表明,模型在移动终端JN-IndustriPi的运行帧率为15～17帧/s,相比于现有模型提高约15%,且精度相近。     

基于深度学习的交通标志识别

图像识别技术是无人驾驶实现的关键,交通标志识别是图象识别的重要研究方向。选用MATLAB的AlexNet深度神经网络模型,通过迁移学习对交通路标数据集进行训练,将训练结果与传统的局部二值模式和方向梯度直方图进行对比,得到AlexNet模型的交通路标识别准确度为98.79%,后两者分别为86.3%、97.6%,AlexNet模型更优。     

动态条件下基于深度学习的锂电池容量估计

锂离子电池在老化过程中,其内部呈现非线性的复杂变化,因此直接使用动态条件下的锂离子电池运行时段的数据（电流、电压和温度）进行电池健康状态的实时估计是一个具有挑战性的问题。本文中选取锂离子电池随机充放电数据,对动态数据的部分片段进行时频特征提取,组成时频特征矩阵作为输入,构建级联式卷积神经网络和门控循环单元容量估计模型,对输入数据进行内在特征提取,并进一步挖掘各时间序列中的相关特征,实现锂离子电池动态条件下的容量估计。利用美国航空航天局锂离子电池随机使用数据集进行实验验证的结果表明,该方法能在仅已知电池的额定容量的情况下,准确完成锂离子电池容量估计。最后,本文还分析了模型超参数设置、原始数据时序长度、网络输入和模型结构对容量估计精度的影响。     

基于深度学习和监测数据的桥梁损伤识别方法

为了挖掘桥梁健康监测数据蕴含的大量隐藏信息,以及改进传统结构损伤识别方法的不足之处,提出了基于桥梁监测数据的损伤识别方法。从有限元模拟数据和实际监测数据中分别提取加速度响应,并对原始数据进行了预处理。通过卷积神经网络和栈式自编码网络分别对明州大桥监测数据的可视化图像和时间序列进行识别,同时与浅层神经网络方法的识别正确率对比。结果表明:基于深度学习和监测数据的损伤识别方法不论是通过图像识别还是通过时间序列识别,都表现出优秀的性能:识别正确率达85%以上。与浅层神经网络相比,深度神经网络的损伤工况分类能力更强,识别正确率提高20%以上。     

基于深度强化学习的智能网联车辆换道轨迹规划方法

以提高智能网联车辆换道安全和效率,降低燃油消耗为目的,该文提出了一种基于深度强化学习的智能网联车辆（ICV）换道轨迹规划方法。分析复杂交通场景智能网联车辆换道功能需求,设计了分层式智能网联车辆换道轨迹规划架构;兼顾车辆安全和换道效率,设计了基于完全信息纯策略博弈的换道行为决策模型;解耦车辆纵横向运动状态,构造了以燃油消耗和乘客舒适度为目标的联合优化函数,提出了基于双延迟深度确定性策略梯度（TD3）的智能网联车辆纵横向换道轨迹规划方法,得到了车辆纵横向优化换道轨迹,并利用搭建的3个典型换道仿真场景,验证了算法的有效性。结果表明：与深度确定性策略梯度（DDPG）算法相比,提出的方法在左换道和右换道实验中的训练效率平均提升了约10.5%,平均油耗分别减少了65%和44%,而且单步轨迹规划时间在10 ms内,能够实时获取安全、节能、舒适的换道轨迹。     

基于深度学习的疲劳驾驶检测算法研究

针对疲劳驾驶检测模型需要的实时性与轻量性,在SSD的基础上提出了SSD-MA网络作为人脸部件检测网络。该网络通过替换原SSD主干网络为MobileNetv3,使得模型参数量骤减,加上AFF注意力特征融合了不同尺寸的特征图,进一步提升了对人眼小目标的检测性能,并结合疲劳参数Peclos可以准确地输出被测人员的疲劳状态。经实验验证,SSD-MA在验证集上的mAP值达到了96.9%,较原SSD-300提高了5%,网络整体体积缩减了89%。     

基于深度学习的交通目标感兴趣区域检测

为了提高交通目标检测的实时性和准确性,针对交通目标检测过程中普遍存在的背景复杂、光线变化、物体遮挡等干扰问题,以及基于深度学习的目标检测算法在进行区域选择时滑动窗口遍历搜索耗时的问题,提出一种基于时空兴趣点（STIP）的交通多目标感兴趣区域快速检测算法。像素级时空兴趣点检测在处理目标遮挡时具有较好的鲁棒性,利用这一特点,首先在传统兴趣点检测算法的基础上加入背景点抑制和时空点约束,以减少无效兴趣点对有效兴趣点检测带来的干扰。通过改进均值漂移算法,使得聚类中心数量随目标数目的变化而改变。然后对被检测出的多目标附近的候选兴趣点分别进行聚类,获取各个目标聚类中心位置信息。根据聚类中心点与筛选后的目标兴趣点之间的相对位置关系进行特定组合获得感兴趣区域。在这些感兴趣区域上使用选择性搜索算法生成1 000~2 000个候选区域,并将这些候选区域放入训练好的深度卷积神经网络模型中进行特征提取。最后将特征提取结果送入支持向量机中进行目标种类判别并使用回归器精细修正目标识别框的位置。研究结果表明：通过对候选区域进行预处理,送入模型中的候选区域数量减少了82%,对应算法整体运行时间减少了74%,能够满足智能交通监控的实际需求。